一、如何训练yolov5神经网络
本地训练yolov5
利用云端GPU训练yolov5
二、演示运行train.py
运行前将--workers 设置为0 如果0没问题可以改大一些。不同机器可能会有问题。
右击运行
显示结果
train中为设置的参数
hyperparameters为超参数
tensorboard为图表显示
最下面为神经网络及参数
w&b 类似于升级版的tensorboard
优化器 SGD，训练集、验证集、锚框、图片大小、结果存放在run\train\exp2中
最好的权重 best.pt, 最后的权重 last.pt
hyp.yaml 训练中的超参数
label.jpg 标注的分布
label.correlogram.jpg 标注的相关矩阵
opt.yaml 训练过程中参数的设置
result.csv 训练的结果记录
train_batch0.jpg 训练的图片
hyp.yaml 训练中的超参数
label.jpg 标注的分布
label.correlogram.jpg 标注的相关矩阵
opt.yaml 训练过程中参数的设置
result.csv 训练的结果记录
train_batch0.jpg 训练的图片
三、train.py模型参数讲解
def parse_opt(known=False):
parser = argparse.ArgumentParser()
parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt',
help='initial weights path')
parser.add_argument('--cfg', type=str, default='',
help='model.yaml path')
parser.add_argument('--data', type=str, default=ROOT / 'data/coco128.yaml', help='dataset.yaml path')
parser.add_argument('--hyp', type=str,
default=ROOT / 'data/hyps/hyp.scratch-low.yaml',
help='hyperparameters path')
parser.add_argument('--epochs', type=int, default=100, help='total training epochs')
parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs, -1 for autobatch')
parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='train, val image size (pixels)')
parser.add_argument('--rect', action='store_true', help='rectangular training')
parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')
parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')
parser.add_argument('--noval', action='store_true', help='only validate final epoch')
parser.add_argument('--noautoanchor', action='store_true', help='disable AutoAnchor')
parser.add_argument('--noplots', action='store_true', help='save no plot files')
parser.add_argument('--evolve', type=int, nargs='?', const=300, help='evolve hyperparameters for x generations')
parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')
parser.add_argument('--cache', type=str, nargs='?', const='ram', help='image --cache ram/disk')
parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')
parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')
parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')
parser.add_argument('--optimizer', type=str, choices=['SGD', 'Adam', 'AdamW'], default='SGD', help='optimizer')
parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')
parser.add_argument('--workers', type=int, default=0, help='max dataloader workers (per RANK in DDP mode)')
parser.add_argument('--project', default=ROOT / 'runs/train', help='save to project/name')
parser.add_argument('--name', default='exp', help='save to project/name')
parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
parser.add_argument('--quad', action='store_true', help='quad dataloader')
parser.add_argument('--cos-lr', action='store_true', help='cosine LR scheduler')
parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')
parser.add_argument('--patience', type=int, default=100, help='EarlyStopping patience (epochs without improvement)')
parser.add_argument('--freeze', nargs='+', type=int, default=[0], help='Freeze layers: backbone=10, first3=0 1 2')
parser.add_argument('--save-period', type=int, default=-1, help='Save checkpoint every x epochs (disabled if < 1)')
parser.add_argument('--seed', type=int, default=0, help='Global training seed')
parser.add_argument('--local_rank', type=int, default=-1, help='Automatic DDP Multi-GPU argument, do not modify')
# Logger arguments
parser.add_argument('--entity', default=None, help='Entity')
parser.add_argument('--upload_dataset', nargs='?', const=True, default=False, help='Upload data, "val" option')
parser.add_argument('--bbox_interval', type=int, default=-1, help='Set bounding-box image logging interval')
parser.add_argument('--artifact_alias', type=str, default='latest', help='Version of dataset artifact to use')
return parser.parse_known_args()[0] if known else parser.parse_args()1.parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')--weights 权重模型文件 格式为str 默认为yolov5s.pt，可以修改为之前训练过的模型如best.pt
从头开始训练就设置为空default=''
2.
parser.add_argument('--cfg', type=str, default='', help='model.yaml path')--cfg config的缩写，关于模型的配置，存在于model文件中，模型结构配置，神经网络配置
3.
parser.add_argument('--data', type=str, default=ROOT / 'data/coco128.yaml', help='dataset.yaml path')--data 指定数据集 位于data/coco128.yaml中
指定训练和验证数据集的存放位置
path：为根目录，本例为与yolov5文件同目录
train：为path之后的路径
val：同train
指定的数据集下载地址：
# Download script/URL (optional)download: https://ultralytics.com/assets/coco128.zip
指定的数据类别共80个及对应序号
coco128代表coco数据集的前128个数据
coco 代表整个coco数据集
voc数据集
训练参数填充建议：
--weights 权重建议 4个训练好的模型
--cfg 建议 4个模型架构
--data 建议 4个数据库
4.
parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch-low.yaml', help='hyperparameters path')--hyp 超参数选择：scratch 从头开始训练 hyp.scratch-low.yaml、hyp.scratch-med.yaml....
5.
parser.add_argument('--epochs', type=int, default=100, help='total training epochs')
parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs, -1 for autobatch')
parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='train, val image size (pixels)')--epochs 训练轮数
--batch-size 每轮中一批的数量
--imgsz 训练时图片大小 根据权重选择640和1280
6.
parser.add_argument('--rect', action='store_true', help='rectangular training')--rect 减少冗余填充，提升计算效率 rectangular training
7.
parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')--resume 是否从已训练过的模型继续训练 default参数为模型文件
选择权重文件的相对路径
修改resume参数 default
右击运行train.py,显示使用exp2的权重
8.
parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')--nosave 只保存最后一个epoch模型结果
9.
parser.add_argument('--noval', action='store_true', help='only validate final epoch')--noval 只在最后一个epoch上测试
10.
parser.add_argument('--noautoanchor', action='store_true', help='disable AutoAnchor')--noautoanchor 是否采用锚点
锚点，锚框
如果你在自己的数据集上训练YOLO，可能需要自定义设置这些锚框。但YOLOv5能够基于训练集自动学习锚框分布，每次训练时，自适应的计算不同训练集中的最佳锚框值。
当然，如果觉得计算的锚框效果不是很好，也可以在代码中将自动计算锚框功能关闭。
parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check')
关闭自动计算锚框功能，即train.py中这一行代码，设置成False，每次训练时，不会自动计算。
